CN116796916A - 一种基于煤矿特征分析的避险路线规划方法及系统 - Google Patents
一种基于煤矿特征分析的避险路线规划方法及系统 Download PDFInfo
- Publication number
- CN116796916A CN116796916A CN202311070436.3A CN202311070436A CN116796916A CN 116796916 A CN116796916 A CN 116796916A CN 202311070436 A CN202311070436 A CN 202311070436A CN 116796916 A CN116796916 A CN 116796916A
- Authority
- CN
- China
- Prior art keywords
- propagation
- index
- coal mine
- information
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims description 45
- 238000012800 visualization Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 13
- 238000002910 structure generation Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004308 accommodation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开了一种基于煤矿特征分析的避险路线规划方法及系统,涉及数据处理领域,其中,所述方法包括:获取第一预警信息对应的第一井下分站;获取多个井下分站的空间分布位置信息,根据空间分布位置信息,生成空间拓扑网络结构;通过对第一预警信息进行特征识别,获取第一险情属性特征;将第一险情属性特征输入传播指数识别模型中,输出第一传播指数;基于第一传播指数对空间拓扑网络结构进行优先搜索,输出第一避险路线。解决了现有技术中针对煤矿的避险路线规划精准性不足、时效性低,导致煤矿的避险路线规划效果不佳的技术问题。达到了提高煤矿的避险路线规划的精准性、时效性,提升煤矿的避险路线规划质量等技术效果。
Description
技术领域
本发明涉及数据处理领域,具体地,涉及一种基于煤矿特征分析的避险路线规划方法及系统。
背景技术
随着智能煤矿建设理念的推广,大量的煤矿信息管理系统应运而生。避险路线规划是煤矿信息管理的重要方向之一。现有技术中,存在针对煤矿的避险路线规划精准性不足、时效性低,导致煤矿的避险路线规划效果不佳的技术问题。研究设计一种对煤矿进行优化避险路线规划的方法,具有重要的现实意义。
发明内容
本申请提供了一种基于煤矿特征分析的避险路线规划方法及系统。解决了现有技术中针对煤矿的避险路线规划精准性不足、时效性低,导致煤矿的避险路线规划效果不佳的技术问题。达到了提高煤矿的避险路线规划的精准性、时效性,提升煤矿的避险路线规划质量,提高煤矿工作人员的避险可靠性、避险及时性的技术效果。
鉴于上述问题,本申请提供了一种基于煤矿特征分析的避险路线规划方法及系统。
第一方面,本申请提供了一种基于煤矿特征分析的避险路线规划方法,其中,所述方法应用于一种基于煤矿特征分析的避险路线规划系统,所述方法包括:连接煤矿监测可视化系统,其中,所述煤矿监测可视化系统的监测区域包括多个井下分站;当所述煤矿监测可视化系统接收第一预警信息,获取所述第一预警信息对应的第一井下分站;获取所述多个井下分站的空间分布位置信息,根据所述空间分布位置信息,以所述第一井下分站的分布位置为中心节点,生成空间拓扑网络结构,其中,所述空间拓扑网络结构为层级分布;通过对所述第一预警信息进行特征识别,获取第一险情属性特征;将所述第一险情属性特征输入传播指数识别模型中,根据所述传播指数识别模型,输出第一传播指数;基于所述第一传播指数对所述空间拓扑网络结构进行优先搜索,输出第一避险路线。
第二方面,本申请还提供了一种基于煤矿特征分析的避险路线规划系统,其中,所述系统包括:连接模块,所述连接模块用于连接煤矿监测可视化系统,其中,所述煤矿监测可视化系统的监测区域包括多个井下分站;预警信息接收模块,所述预警信息接收模块用于当所述煤矿监测可视化系统接收第一预警信息,获取所述第一预警信息对应的第一井下分站;拓扑网络结构生成模块,所述拓扑网络结构生成模块用于获取所述多个井下分站的空间分布位置信息,根据所述空间分布位置信息,以所述第一井下分站的分布位置为中心节点,生成空间拓扑网络结构,其中,所述空间拓扑网络结构为层级分布;特征识别模块,所述特征识别模块用于通过对所述第一预警信息进行特征识别,获取第一险情属性特征;传播指数输出模块,所述传播指数输出模块用于将所述第一险情属性特征输入传播指数识别模型中,根据所述传播指数识别模型,输出第一传播指数;避险路线输出模块,所述避险路线输出模块用于基于所述第一传播指数对所述空间拓扑网络结构进行优先搜索,输出第一避险路线。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过煤矿监测可视化系统接收的第一预警信息,确定第一预警信息对应的第一井下分站;通过多个井下分站的空间分布位置信息,生成空间拓扑网络结构;通过对第一预警信息进行特征识别,获取第一险情属性特征;将第一险情属性特征输入传播指数识别模型中,输出第一传播指数;根据第一传播指数对空间拓扑网络结构进行优先搜索,输出第一避险路线。达到了提高煤矿的避险路线规划的精准性、时效性,提升煤矿的避险路线规划质量,提高煤矿工作人员的避险可靠性、避险及时性的技术效果。
上述说明仅是本申请技术方案的概述,并且为了让本申请的技术方案和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请一种基于煤矿特征分析的避险路线规划方法的流程示意图;
图2为本申请一种基于煤矿特征分析的避险路线规划方法中输出第一传播指数的流程示意图;
图3为本申请一种基于煤矿特征分析的避险路线规划方法中输出第一避险路线的流程示意图;
图4为本申请一种基于煤矿特征分析的避险路线规划系统的结构示意图。
附图标记说明:连接模块11,预警信息接收模块12,拓扑网络结构生成模块13,特征识别模块14,传播指数输出模块15,避险路线输出模块16。
具体实施方式
本申请通过提供一种基于煤矿特征分析的避险路线规划方法及系统。解决了现有技术中针对煤矿的避险路线规划精准性不足、时效性低,导致煤矿的避险路线规划效果不佳的技术问题。达到了提高煤矿的避险路线规划的精准性、时效性,提升煤矿的避险路线规划质量,提高煤矿工作人员的避险可靠性、避险及时性的技术效果。
实施例一:
请参阅附图1,本申请提供一种基于煤矿特征分析的避险路线规划方法,其中,所述方法应用于一种基于煤矿特征分析的避险路线规划系统,所述方法具体包括如下步骤:
步骤S100:连接煤矿监测可视化系统,其中,所述煤矿监测可视化系统的监测区域包括多个井下分站;
步骤S200:当所述煤矿监测可视化系统接收第一预警信息,获取所述第一预警信息对应的第一井下分站;
具体而言,连接煤矿监测可视化系统,获得煤矿监测可视化系统传输至所述一种基于煤矿特征分析的避险路线规划系统的第一预警信息。其中,煤矿监测可视化系统与所述一种基于煤矿特征分析的避险路线规划系统通信连接。煤矿监测可视化系统具有对目标煤矿进行井下分站的智能化监测,以及预警信息的接收、传输等功能。此外,煤矿监测可视化系统采用三维可视化技术为目标煤矿提供可视化的空间查询、统计、分析与展示服务。所述目标煤矿可以为使用所述一种基于煤矿特征分析的避险路线规划系统进行智能化避险路线分析的任意煤矿。所述目标煤矿包括多个井下分站。第一预警信息包括第一井下分站对应的险情类型信息、险情规模信息、险情伴随信息。第一井下分站可以为目标煤矿的多个井下分站中,发出预警信息的任意井下分站。险情类型信息包括第一井下分站对应的事故类型参数。例如,险情类型信息为有害气体泄漏、瓦斯爆炸、煤矿塌方等。险情规模信息包括第一井下分站对应的空间结构、面积,以及实时人数等数据信息。险情伴随信息包括险情类型信息对应的隐患险情信息。例如,当第一井下分站发生煤矿塌方时,对应的隐患险情信息包括由煤矿塌方造成的地基失稳、地面塌陷、地面开裂等次生灾害信息。达到了确定第一井下分站对应的第一预警信息,为后续对目标煤矿进行避险路线规划奠定基础的技术效果。
步骤S300:获取所述多个井下分站的空间分布位置信息,根据所述空间分布位置信息,以所述第一井下分站的分布位置为中心节点,生成空间拓扑网络结构,其中,所述空间拓扑网络结构为层级分布;
步骤S400:通过对所述第一预警信息进行特征识别,获取第一险情属性特征;
具体而言,连接煤矿监测可视化系统,基于煤矿监测可视化系统进行目标煤矿的实时空间分布位置参数查询,获得多个井下分站的空间分布位置信息,并根据空间分布位置信息,构建目标煤矿的空间拓扑网络结构。继而,对第一预警信息进行特征识别,即,从第一预警信息中提取出险情类型信息、险情规模信息、险情伴随信息,获得第一险情属性特征。其中,所述空间分布位置信息包括目标煤矿的多个井下分站对应的多个实时空间分布位置参数。每个实时空间分布位置参数包括每个井下分站对应的实时坐标、实时位置信息。空间拓扑网络结构包括中心节点、多个关联节点。且,中心节点、多个关联节点为层级分布。中心节点包括第一井下分站对应的实时空间分布位置参数。多个关联节点包括多个关联井下分站对应的多个实时空间分布位置参数。多个关联井下分站包括第一井下分站之外的多个井下分站。第一险情属性特征包括险情类型信息、险情规模信息、险情伴随信息。达到了构建空间拓扑网络结构,并确定第一预警信息对应的第一险情属性特征,从而提高对目标煤矿进行避险路线规划的可靠性的技术效果。
步骤S500:将所述第一险情属性特征输入传播指数识别模型中,根据所述传播指数识别模型,输出第一传播指数;
进一步的,如附图2所示,本申请步骤S500还包括:
步骤S510:获取所述第一险情属性特征,其中,所述第一险情属性特征包括险情类型信息、险情规模信息以及险情伴随信息;
步骤S520:将所述险情类型信息、所述险情规模信息以及所述险情伴随信息输入所述传播指数识别模型中,根据所述传播指数识别模型输出传播深度指数和传播广度指数;
步骤S530:根据所述传播深度指数和所述传播广度指数,输出第一传播指数。
具体而言,将第一险情属性特征中的险情类型信息、险情规模信息、险情伴随信息输入传播指数识别模型中,获得传播深度指数和传播广度指数,并将传播深度指数、传播广度指数添加至第一传播指数。其中,所述第一传播指数包括传播深度指数、传播广度指数。且,传播深度指数、传播广度指数具有对应的标识的多个险情波及分站。多个险情波及分站包括受到第一井下分站的险情影响的多个关联井下分站。传播深度指数是用于表征第一井下分站的险情危害程度的数据信息。传播深度指数越大,对应的第一井下分站的险情危害程度越大。传播广度指数是用于表征第一井下分站的险情波及范围、险情传播迅速程度的数据信息。传播广度指数越大,对应的第一井下分站的险情波及范围越大、险情传播迅速程度越高。
示例性地,在构建传播指数识别模型时,基于险情类型信息、险情规模信息、险情伴随信息进行大数据查询,获得多组构建数据。每组构建数据包括历史险情类型信息、历史险情规模信息、历史险情伴随信息、历史传播深度指数、历史传播广度指数。且,历史传播深度指数、历史传播广度指数具有对应的标识的多个历史险情波及分站。将多组构建数据中随机的70%的数据信息划分为训练数据集。将多组构建数据中随机的30%的数据信息划分为测试数据集。基于BP神经网络,对训练数据集进行交叉监督训练,获得传播指数识别模型。将测试数据集作为输入信息,输入传播指数识别模型,通过测试数据集对传播指数识别模型进行参数更新。BP神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络。BP神经网络可以进行正向计算、反向计算。正向计算时,输入信息从输入层经过多层神经元逐层处理,转向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入反向计算,将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得误差信号最小。传播指数识别模型包括输入层、隐含层、输出层。传播指数识别模型具备对输入险情类型信息、险情规模信息、险情伴随信息进行智能化传播指数匹配、险情波及分站标识的功能。
达到了通过传播指数识别模型对第一险情属性特征进行分析,生成可靠的第一传播指数,从而提高煤矿的避险路线规划的准确性的技术效果。
步骤S600:基于所述第一传播指数对所述空间拓扑网络结构进行优先搜索,输出第一避险路线。
进一步的,如附图3所示,本申请步骤S600还包括:
步骤S610:获取所述第一传播指数中的指数分布信息,其中,所述指数分布信息为所述传播深度指数和所述传播广度指数的分布比;
步骤S620:当所述传播深度指数与所述传播广度指数的分布比大于等于a时,获取深度优先搜索指令,输出基于深度优先搜索的第一避险路线;
步骤S630:当所述传播深度指数与所述传播广度指数的分布比小于a时,获取广度优先搜索指令,输出基于广度优先搜索的第一避险路线。
具体而言,基于第一传播指数,确定指数分布信息。指数分布信息为传播深度指数和传播广度指数的分布比。分布比包括传播深度指数与传播广度指数之间的比值信息。继而,对传播深度指数和传播广度指数的分布比是否小于a进行判断。如果传播深度指数与传播广度指数的分布比大于等于a,所述一种基于煤矿特征分析的避险路线规划系统自动生成深度优先搜索指令,并根据深度优先搜索指令对空间拓扑网络结构进行深度优先搜索,获得基于深度优先搜索的第一避险路线。如果传播深度指数与传播广度指数的分布比小于a,所述一种基于煤矿特征分析的避险路线规划系统自动生成广度优先搜索指令,并根据广度优先搜索指令对空间拓扑网络结构进行广度优先搜索,获得基于广度优先搜索的第一避险路线。其中,a为预先设置确定的传播深度指数和传播广度指数的分布比阈值。所述深度优先搜索指令是用于表征传播深度指数与传播广度指数的分布比大于等于a,需要对空间拓扑网络结构进行深度优先搜索的指令信息。广度优先搜索指令是用于表征传播深度指数与传播广度指数的分布比小于a,需要对空间拓扑网络结构进行广度优先搜索的指令信息。
示例性地,在根据深度优先搜索指令对空间拓扑网络结构进行深度优先搜索时,将传播深度指数设置为第一优先搜索约束条件,将传播广度指数设置为第二优先搜索约束条件。基于第一优先搜索约束条件、第二优先搜索约束条件、空间拓扑网络结构进行历史数据查询,获得多组构建数据序列。每组构建数据序列包括历史第一优先搜索约束条件、历史第二优先搜索约束条件、历史空间拓扑网络结构、历史第一避险路线。基于BP神经网络,将多组构建数据序列进行不断的自我训练学习至收敛状态,即可获得深度优先搜索模型。深度优先搜索模型包括输入层、隐含层、输出层。将第一优先搜索约束条件、第二优先搜索约束条件、空间拓扑网络结构输入深度优先搜索模型,获得基于深度优先搜索的第一避险路线。根据广度优先搜索指令对空间拓扑网络结构进行广度优先搜索,与根据深度优先搜索指令对空间拓扑网络结构进行深度优先搜索的具体实施方式相同,为了说明书的简洁,在此不再赘述。
达到了通过指数分布信息对空间拓扑网络结构进行适应性的深度优先搜索或广度优先搜索,提高煤矿的避险路线规划的适应度的技术效果。
进一步的,本申请步骤S600之后,还包括:
步骤S710:基于所述第一传播指数,获取基于所述第一井下分站的多个一环搜索节点,生成搜索节点集合,其中,所述搜索节点集合中包括所述第一井下分站的搜索节点;
步骤S720:获取所述空间拓扑网络结构中各个节点的通道容置空间;
具体而言,将第一传播指数对应的多个险情波及分站设置为第一井下分站的多个一环搜索节点,并根据多个一环搜索节点,生成搜索节点集合。继而,基于空间拓扑网络结构进行通道容置参数采集,获得各个节点的通道容置空间。其中,多个一环搜索节点包括以第一井下分站为中心,呈环状分布的多个险情波及分站。所述搜索节点集合包括中心节点、多个一环搜索节点。通道容置空间包括搜索节点集合中的各个节点对应的避险通道的位置、空间结构、容纳人数等数据信息。
步骤S730:根据所述通道容置空间,生成适应度识别模型;
进一步的,本申请步骤S730还包括:
步骤S731:当所述煤矿监测可视化系统接收第一预警信息,激活数据采集装置进行实时数据采集,获取避险人员分布信息;
步骤S732:根据所述避险人员分布信息与所述通道容置空间进行动态适应度识别,获取各个节点的动态适应度;
具体而言,当煤矿监测可视化系统接收第一预警信息时,所述一种基于煤矿特征分析的避险路线规划系统自动激活数据采集装置,通过数据采集装置对通道容置空间进行实时数据采集,获取避险人员分布信息。将避险人员分布信息、通道容置空间作为输入信息,输入适应度识别模型,通过适应度识别模型对避险人员分布信息与通道容置空间进行动态适应度识别,获得各个节点的动态适应度。其中,所述数据采集装置与所述煤矿监测可视化系统通信连接。所述数据采集装置可以为现有技术中的煤矿人员定位设备。避险人员分布信息包括通道容置空间中的各个节点对应的避险通道的避险人员的实时数量、实时位置等数据信息。各个节点的动态适应度是用于表征避险人员分布信息与通道容置空间中的各个节点对应的避险通道之间的饱和程度的数据信息。节点的动态适应度越大,该节点对应的避险通道的饱和程度越大,该节点对应的避险通道可以继续容纳避险人员的人数越少,该节点对应的避险通道的优先搜索级别越低。
示例性地,在构建适应度识别模型时,基于避险人员分布信息、通道容置空间进行历史数据查询,获得多组训练数据。每组训练数据包括历史避险人员分布信息、历史通道容置空间,以及历史避险人员分布信息、历史通道容置空间对应的各个节点的历史动态适应度。基于BP神经网络,将多组训练数据进行不断的自我训练学习至收敛状态,即可获得适应度识别模型。适应度识别模型包括输入层、隐含层、输出层。适应度识别模型具有对避险人员分布信息与通道容置空间进行动态适应度识别的功能。
达到了通过适应度识别模型对避险人员分布信息与通道容置空间进行动态适应度识别,确定各个节点的动态适应度,从而提高煤矿的避险路线规划的全面性、时效性的技术效果。
步骤S733:对所述动态适应度达到预设动态适应度的N个节点进行标识,获取标识节点集合;
进一步的,本申请步骤S733还包括:
步骤S7331:连接煤矿监测可视化系统,获取历史出险数据库;
步骤S7332:基于所述第一预警信息的预警类型对所述历史出险数据库进行识别,获取匹配出险数据集;
步骤S7333:通过对所述匹配出险数据集进行训练,包括各个井下分站的实时容置空间、以及各个井下分站之间的出险流动指数,输出所述预设动态适应度;
步骤S7334:根据所述预设动态适应度,搭建适应度识别模型。
步骤S734:基于所述标识节点集合对所述空间拓扑网络结构进行节点状态动态更新。
具体而言,连接煤矿监测可视化系统,对煤矿监测可视化系统进行出险数据查询,获得历史出险数据库。基于第一预警信息中的险情类型信息对历史出险数据库进行数据匹配,获得匹配出险数据集。其中,所述历史出险数据库包括目标煤矿的多个险情出险数据库。每个险情出险数据库包括目标煤矿的同一险情类型信息对应的多组出险数据。每组出险数据包括目标煤矿的各个井下分站的历史容置空间、以及各个井下分站之间的出险流动指数。出险流动指数是用于表征各个井下分站的历史容置空间对应的历史避险人员流动程度的数据信息。所述匹配出险数据集包括第一预警信息中的险情类型信息对应的险情出险数据库。
进一步,通过对匹配出险数据集进行训练,获得预设动态适应度。预设动态适应度包括通道容置空间中的各个节点对应的避险通道的动态适应度阈值。分别判断各个节点的动态适应度是否满足对应的动态适应度阈值。当任一个节点的动态适应度满足对应的动态适应度阈值时,将该节点进行标识,获得标识节点集合,并根据标识节点集合对空间拓扑网络结构进行节点状态动态更新。其中,标识节点集合包括N个标识节点。且,N为大于1的正整数。N个标识节点包括搜索节点集合中,动态适应度满足对应的动态适应度阈值的多个节点。
示例性地,在对匹配出险数据集进行训练时,将同一节点对应的避险通道的出险流动指数的平均值设置为该节点对应的避险通道的动态适应度阈值。
示例性地,在根据标识节点集合对空间拓扑网络结构进行节点状态动态更新时,根据标识节点集合对空间拓扑网络结构中的多个关联节点进行标识。将空间拓扑网络结构的多个关联节点中,标识节点集合对应的节点标记为不可搜索节点。
达到了根据标识节点集合对空间拓扑网络结构进行节点状态动态更新,提高空间拓扑网络结构的实时性的技术效果。
步骤S740:根据所述适应度识别模型,对所述搜索节点集合分别进行优先搜索,输出基于所述搜索节点集合对应的避险路线集合。
进一步的,本申请步骤S740还包括:
步骤S741:对所述空间拓扑网络结构进行优先搜索,当节点为标识节点时,采集多个备选节点,其中,所述多个备选节点为非标识节点;
步骤S742:对所述多个备选节点进行概率预测,输出多个预测概率;
步骤S743:根据所述多个预测概率,确定第一备选节点;
步骤S744:将所述第一备选节点作为优先搜索切换节点,以此类推,直至输出所述第一避险路线。
具体而言,对搜索节点集合分别进行优先搜索,获得基于搜索节点集合对应的避险路线集合。示例性地,根据各个节点的动态适应度对搜索节点集合中的N个标识节点进行优先搜索级别的设置,获得每一个标识节点对应的优先搜索级别。动态适应度越大,对应的标识节点的优先搜索级别越低。根据每一个标识节点对应的优先搜索级别对空间拓扑网络结构进行优先搜索,获得避险路线集合。根据每一个标识节点对应的优先搜索级别对空间拓扑网络结构进行优先搜索,与根据深度优先搜索指令对空间拓扑网络结构进行深度优先搜索的具体实施方式相同,为了说明书的简洁,在此不再赘述。
进一步,对空间拓扑网络结构进行优先搜索,当节点为标识节点时,将多个非标识节点设置为多个备选节点。通过对多个备选节点进行概率预测,获得多个预测概率。预测概率是用于表征多个备选节点的避险搜索适应度的数据信息。预测概率越大,对应的备选节点的避险搜索适应度越高。示例性地,在对多个备选节点进行概率预测,可将备选节点对应的动态适应度的倒数输出为该备选节点的预测概率。
进一步,按照多个预测概率对多个备选节点进行从大到小的排序,获得第一备选节点。预测概率越大,对应的备选节点的排序越靠前。将排序第一的备选节点设置为第一备选节点。即,将预测概率最大的备选节点输出为第一备选节点。继而,将第一备选节点作为优先搜索切换节点,以此类推,直至输出第一避险路线。即,按照多个预测概率对多个备选节点的从大到小排序,分别将多个备选节点设置为第一备选节点,并按照第一备选节点对空间拓扑网络结构进行优先搜索,直至输出第一避险路线。按照第一备选节点对空间拓扑网络结构进行优先搜索,与根据深度优先搜索指令对空间拓扑网络结构进行深度优先搜索的具体实施方式相同,为了说明书的简洁,在此不再赘述。
达到了通过对空间拓扑网络结构进行多维的优先搜索,确定全面的避险路线,提高煤矿的避险路线规划质量的技术效果。
综上所述,本申请所提供的一种基于煤矿特征分析的避险路线规划方法具有如下技术效果:
1.通过煤矿监测可视化系统接收的第一预警信息,确定第一预警信息对应的第一井下分站;通过多个井下分站的空间分布位置信息,生成空间拓扑网络结构;通过对第一预警信息进行特征识别,获取第一险情属性特征;将第一险情属性特征输入传播指数识别模型中,输出第一传播指数;根据第一传播指数对空间拓扑网络结构进行优先搜索,输出第一避险路线。达到了提高煤矿的避险路线规划的精准性、时效性,提升煤矿的避险路线规划质量,提高煤矿工作人员的避险可靠性、避险及时性的技术效果。
2.通过传播指数识别模型对第一险情属性特征进行分析,生成可靠的第一传播指数,从而提高煤矿的避险路线规划的准确性。
3.通过适应度识别模型对避险人员分布信息与通道容置空间进行动态适应度识别,确定各个节点的动态适应度,从而提高煤矿的避险路线规划的全面性、时效性。
实施例二:
基于与前述实施例中一种基于煤矿特征分析的避险路线规划方法,同样发明构思,本发明还提供了一种基于煤矿特征分析的避险路线规划系统,请参阅附图4,所述系统包括:
连接模块11,所述连接模块11用于连接煤矿监测可视化系统,其中,所述煤矿监测可视化系统的监测区域包括多个井下分站;
预警信息接收模块12,所述预警信息接收模块12用于当所述煤矿监测可视化系统接收第一预警信息,获取所述第一预警信息对应的第一井下分站;
拓扑网络结构生成模块13,所述拓扑网络结构生成模块13用于获取所述多个井下分站的空间分布位置信息,根据所述空间分布位置信息,以所述第一井下分站的分布位置为中心节点,生成空间拓扑网络结构,其中,所述空间拓扑网络结构为层级分布;
特征识别模块14,所述特征识别模块14用于通过对所述第一预警信息进行特征识别,获取第一险情属性特征;
传播指数输出模块15,所述传播指数输出模块15用于将所述第一险情属性特征输入传播指数识别模型中,根据所述传播指数识别模型,输出第一传播指数;
避险路线输出模块16,所述避险路线输出模块16用于基于所述第一传播指数对所述空间拓扑网络结构进行优先搜索,输出第一避险路线。
进一步的,所述系统还包括:
搜索节点集合生成模块,所述搜索节点集合生成模块用于基于所述第一传播指数,获取基于所述第一井下分站的多个一环搜索节点,生成搜索节点集合,其中,所述搜索节点集合中包括所述第一井下分站的搜索节点;
通道容置空间获取模块,所述通道容置空间获取模块用于获取所述空间拓扑网络结构中各个节点的通道容置空间;
第一执行模块,所述第一执行模块用于根据所述通道容置空间,生成适应度识别模型;
优先搜索模块,所述优先搜索模块用于根据所述适应度识别模型,对所述搜索节点集合分别进行优先搜索,输出基于所述搜索节点集合对应的避险路线集合。
进一步的,所述系统还包括:
实时数据采集模块,所述实时数据采集模块用于当所述煤矿监测可视化系统接收第一预警信息,激活数据采集装置进行实时数据采集,获取避险人员分布信息;
动态适应度识别模块,所述动态适应度识别模块用于根据所述避险人员分布信息与所述通道容置空间进行动态适应度识别,获取各个节点的动态适应度;
节点标识模块,所述节点标识模块用于对所述动态适应度达到预设动态适应度的N个节点进行标识,获取标识节点集合;
节点更新模块,所述节点更新模块用于基于所述标识节点集合对所述空间拓扑网络结构进行节点状态动态更新。
进一步的,所述系统还包括:
第二执行模块,所述第二执行模块用于连接煤矿监测可视化系统,获取历史出险数据库;
出险数据匹配模块,所述出险数据匹配模块用于基于所述第一预警信息的预警类型对所述历史出险数据库进行识别,获取匹配出险数据集;
第三执行模块,所述第三执行模块用于通过对所述匹配出险数据集进行训练,包括各个井下分站的实时容置空间、以及各个井下分站之间的出险流动指数,输出所述预设动态适应度;
第四执行模块,所述第四执行模块用于根据所述预设动态适应度,搭建适应度识别模型。
进一步的,所述系统还包括:
备选节点确定模块,所述备选节点确定模块用于对所述空间拓扑网络结构进行优先搜索,当节点为标识节点时,采集多个备选节点,其中,所述多个备选节点为非标识节点;
概率预测模块,所述概率预测模块用于对所述多个备选节点进行概率预测,输出多个预测概率;
第一备选节点确定模块,所述第一备选节点确定模块用于根据所述多个预测概率,确定第一备选节点;
第五执行模块,所述第五执行模块用于将所述第一备选节点作为优先搜索切换节点,以此类推,直至输出所述第一避险路线。
进一步的,所述系统还包括:
险情属性特征获取模块,所述险情属性特征获取模块用于获取所述第一险情属性特征,其中,所述第一险情属性特征包括险情类型信息、险情规模信息以及险情伴随信息;
第六执行模块,所述第六执行模块用于将所述险情类型信息、所述险情规模信息以及所述险情伴随信息输入所述传播指数识别模型中,根据所述传播指数识别模型输出传播深度指数和传播广度指数;
第一传播指数输出模块,所述第一传播指数输出模块用于根据所述传播深度指数和所述传播广度指数,输出第一传播指数。
进一步的,所述系统还包括:
指数分布信息获取模块,所述指数分布信息获取模块用于获取所述第一传播指数中的指数分布信息,其中,所述指数分布信息为所述传播深度指数和所述传播广度指数的分布比;
深度优先搜索模块,所述深度优先搜索模块用于当所述传播深度指数与所述传播广度指数的分布比大于等于a时,获取深度优先搜索指令,输出基于深度优先搜索的第一避险路线;
广度优先搜索模块,所述广度优先搜索模块用于当所述传播深度指数与所述传播广度指数的分布比小于a时,获取广度优先搜索指令,输出基于广度优先搜索的第一避险路线。
本发明实施例所提供的一种基于煤矿特征分析的避险路线规划系统可执行本发明任意实施例所提供的一种基于煤矿特征分析的避险路线规划方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本申请提供了一种基于煤矿特征分析的避险路线规划方法,其中,所述方法应用于一种基于煤矿特征分析的避险路线规划系统,所述方法包括:通过煤矿监测可视化系统接收的第一预警信息,确定第一预警信息对应的第一井下分站;通过多个井下分站的空间分布位置信息,生成空间拓扑网络结构;通过对第一预警信息进行特征识别,获取第一险情属性特征;将第一险情属性特征输入传播指数识别模型中,输出第一传播指数;根据第一传播指数对空间拓扑网络结构进行优先搜索,输出第一避险路线。解决了现有技术中针对煤矿的避险路线规划精准性不足、时效性低,导致煤矿的避险路线规划效果不佳的技术问题。达到了提高煤矿的避险路线规划的精准性、时效性,提升煤矿的避险路线规划质量,提高煤矿工作人员的避险可靠性、避险及时性的技术效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种基于煤矿特征分析的避险路线规划方法,其特征在于,所述方法包括:
连接煤矿监测可视化系统,其中,所述煤矿监测可视化系统的监测区域包括多个井下分站;
当所述煤矿监测可视化系统接收第一预警信息,获取所述第一预警信息对应的第一井下分站;
获取所述多个井下分站的空间分布位置信息,根据所述空间分布位置信息,以所述第一井下分站的分布位置为中心节点,生成空间拓扑网络结构,其中,所述空间拓扑网络结构为层级分布;
通过对所述第一预警信息进行特征识别,获取第一险情属性特征;
将所述第一险情属性特征输入传播指数识别模型中,根据所述传播指数识别模型,输出第一传播指数;
基于所述第一传播指数对所述空间拓扑网络结构进行优先搜索,输出第一避险路线。
2.如权利要求1所述的方法,其特征在于,基于所述第一传播指数对所述空间拓扑网络结构进行优先搜索,方法还包括:
基于所述第一传播指数,获取基于所述第一井下分站的多个一环搜索节点,生成搜索节点集合,其中,所述搜索节点集合中包括所述第一井下分站的搜索节点;
获取所述空间拓扑网络结构中各个节点的通道容置空间;
根据所述通道容置空间,生成适应度识别模型;
根据所述适应度识别模型,对所述搜索节点集合分别进行优先搜索,输出基于所述搜索节点集合对应的避险路线集合。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
当所述煤矿监测可视化系统接收第一预警信息,激活数据采集装置进行实时数据采集,获取避险人员分布信息;
根据所述避险人员分布信息与所述通道容置空间进行动态适应度识别,获取各个节点的动态适应度;
对所述动态适应度达到预设动态适应度的N个节点进行标识,获取标识节点集合;
基于所述标识节点集合对所述空间拓扑网络结构进行节点状态动态更新。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
连接煤矿监测可视化系统,获取历史出险数据库;
基于所述第一预警信息的预警类型对所述历史出险数据库进行识别,获取匹配出险数据集;
通过对所述匹配出险数据集进行训练,包括各个井下分站的实时容置空间、以及各个井下分站之间的出险流动指数,输出所述预设动态适应度;
根据所述预设动态适应度,搭建适应度识别模型。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
对所述空间拓扑网络结构进行优先搜索,当节点为标识节点时,采集多个备选节点,其中,所述多个备选节点为非标识节点;
对所述多个备选节点进行概率预测,输出多个预测概率;
根据所述多个预测概率,确定第一备选节点;
将所述第一备选节点作为优先搜索切换节点,以此类推,直至输出所述第一避险路线。
6.如权利要求1所述的方法,其特征在于,将所述第一险情属性特征输入传播指数识别模型中,根据所述传播指数识别模型,输出第一传播指数,方法包括:
获取所述第一险情属性特征,其中,所述第一险情属性特征包括险情类型信息、险情规模信息以及险情伴随信息;
将所述险情类型信息、所述险情规模信息以及所述险情伴随信息输入所述传播指数识别模型中,根据所述传播指数识别模型输出传播深度指数和传播广度指数;
根据所述传播深度指数和所述传播广度指数,输出第一传播指数。
7.如权利要求6所述的方法,其特征在于,基于所述第一传播指数对所述空间拓扑网络结构进行优先搜索,方法还包括:
获取所述第一传播指数中的指数分布信息,其中,所述指数分布信息为所述传播深度指数和所述传播广度指数的分布比;
当所述传播深度指数与所述传播广度指数的分布比大于等于a时,获取深度优先搜索指令,输出基于深度优先搜索的第一避险路线;
当所述传播深度指数与所述传播广度指数的分布比小于a时,获取广度优先搜索指令,输出基于广度优先搜索的第一避险路线。
8.一种基于煤矿特征分析的避险路线规划系统,其特征在于,所述系统用于执行权利要求1至7任一项所述的方法,所述系统包括:
连接模块,所述连接模块用于连接煤矿监测可视化系统,其中,所述煤矿监测可视化系统的监测区域包括多个井下分站;
预警信息接收模块,所述预警信息接收模块用于当所述煤矿监测可视化系统接收第一预警信息,获取所述第一预警信息对应的第一井下分站;
拓扑网络结构生成模块,所述拓扑网络结构生成模块用于获取所述多个井下分站的空间分布位置信息,根据所述空间分布位置信息,以所述第一井下分站的分布位置为中心节点,生成空间拓扑网络结构,其中,所述空间拓扑网络结构为层级分布;
特征识别模块,所述特征识别模块用于通过对所述第一预警信息进行特征识别,获取第一险情属性特征;
传播指数输出模块,所述传播指数输出模块用于将所述第一险情属性特征输入传播指数识别模型中,根据所述传播指数识别模型,输出第一传播指数;
避险路线输出模块,所述避险路线输出模块用于基于所述第一传播指数对所述空间拓扑网络结构进行优先搜索,输出第一避险路线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311070436.3A CN116796916B (zh) | 2023-08-24 | 2023-08-24 | 一种基于煤矿特征分析的避险路线规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311070436.3A CN116796916B (zh) | 2023-08-24 | 2023-08-24 | 一种基于煤矿特征分析的避险路线规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116796916A true CN116796916A (zh) | 2023-09-22 |
CN116796916B CN116796916B (zh) | 2023-11-03 |
Family
ID=88038709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311070436.3A Active CN116796916B (zh) | 2023-08-24 | 2023-08-24 | 一种基于煤矿特征分析的避险路线规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796916B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987049A (zh) * | 2005-12-24 | 2007-06-27 | 中国科学院合肥物质科学研究院 | 煤矿井下临时施工点安全监测的无线网络系统 |
CN103244188A (zh) * | 2013-05-14 | 2013-08-14 | 太原科技大学 | 一种基于物联网技术的煤矿井下综合监控系统 |
CN112149300A (zh) * | 2020-09-22 | 2020-12-29 | 吉林大学 | 一种矿井应急智能管理系统 |
US20230036118A1 (en) * | 2021-06-25 | 2023-02-02 | Yantai Jereh Petroleum Equipment & Technologies Co., Ltd. | Safety management method for well site person, safety management system, and storage medium |
CN116624226A (zh) * | 2023-04-10 | 2023-08-22 | 中煤科工集团重庆研究院有限公司 | 一种煤矿灾害数据采集、分析及可视化展现系统 |
-
2023
- 2023-08-24 CN CN202311070436.3A patent/CN116796916B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987049A (zh) * | 2005-12-24 | 2007-06-27 | 中国科学院合肥物质科学研究院 | 煤矿井下临时施工点安全监测的无线网络系统 |
CN103244188A (zh) * | 2013-05-14 | 2013-08-14 | 太原科技大学 | 一种基于物联网技术的煤矿井下综合监控系统 |
CN112149300A (zh) * | 2020-09-22 | 2020-12-29 | 吉林大学 | 一种矿井应急智能管理系统 |
US20230036118A1 (en) * | 2021-06-25 | 2023-02-02 | Yantai Jereh Petroleum Equipment & Technologies Co., Ltd. | Safety management method for well site person, safety management system, and storage medium |
CN116624226A (zh) * | 2023-04-10 | 2023-08-22 | 中煤科工集团重庆研究院有限公司 | 一种煤矿灾害数据采集、分析及可视化展现系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116796916B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zuiev et al. | Development of complex methodology of processing heterogeneous data in intelligent decision support systems | |
CN103593361B (zh) | 感应网络环境下移动时空轨迹分析方法 | |
CN105550714A (zh) | 一种异构网络环境中告警信息的聚类融合方法 | |
CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN110708116B (zh) | 一种快速定位分析光路同路由的光路管理系统和方法 | |
CN113189451A (zh) | 配电网故障定位研判方法、系统、计算机设备和存储介质 | |
CN109241199B (zh) | 一种面向金融知识图谱发现的方法 | |
CN115600513A (zh) | 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统 | |
CN112966385A (zh) | 配电网网架拓扑薄弱点辨识方法与系统 | |
CN115809833A (zh) | 基于画像技术的基建项目智能监督方法、装置 | |
CN116796916B (zh) | 一种基于煤矿特征分析的避险路线规划方法及系统 | |
CN111159152A (zh) | 基于大数据处理技术的二次运维数据融合方法 | |
CN116827658A (zh) | 一种ai智能应用安全态势感知预测系统及方法 | |
CN116432077A (zh) | 基于优化bp神经网络的智能站二次系统故障定位方法 | |
CN116318878A (zh) | 一种电力信息网络安全风险的评估方法 | |
CN113256160B (zh) | 一种以监测数据驱动的综合管廊运维动态风险评价方法 | |
CN109976271B (zh) | 一种利用信息表征方法计算信息结构有序度的方法 | |
Wang et al. | LSTM-based alarm prediction in the mobile communication network | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN112052277A (zh) | 一种基于大数据的电压暂降严重度评估方法及设备 | |
Hamlich et al. | Machine learning methods against false data injection in smart grid | |
Zhang et al. | A Real Time Traffic Flow Model Based on Deep Learning. | |
Liu et al. | Discovering multi‐dimensional motifs from multi‐dimensional time series for air pollution control | |
Lu et al. | Anomaly Recognition Method for Massive Data of Power Internet of Things Based on Bayesian Belief Network | |
Zhou et al. | Early warning of power grid dispatching system faults based on knowledge graph |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |